/ Модель

Характеристики

Лицензия
MIT
Опубликована
23 фев 2025

sonics-spectttra-gamma-120s

Классификация аудиоАудио → label3 профессии

Модель классифицирует аудио песен, определяя, создана ли композиция человеком или сгенерирована ИИ.

9 332скачиваний за 30 дней0лайковвеса обновлены1 мар 2025

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

awsaf49/sonics-spectttra-gamma-120s — модель классификации аудио из проекта SONICS, созданного для выявления полностью синтетических песен. Она отличает созданные человеком композиции от песен, сгенерированных ИИ, включая случаи, когда синтетическими являются вокал, музыка, текст и стиль. Модель основана на архитектуре SpecTTTra (Spectro-Temporal Tokens Transformer), предназначенной для анализа долгих временных зависимостей в музыке. В README для семейства указаны 12 слоёв, 6 голов внимания, размер эмбеддинга 384 и обработка аудио с частотой дискретизации 16 кГц, 128 мел-полосами и FFT 2048.

Вариант gamma-120s предназначен для анализа длинных музыкальных фрагментов длительностью до 120 секунд и выдаёт классовую оценку подлинности аудио. Проект SONICS представлен на ICLR 2025 и использует набор данных SONICS с синтетическими песнями, включая композиции с платформ Suno и Udio. Карточка указывает английский язык данных и лицензию MIT. Это специализированный детектор подделок песен; качество на иных жанрах, источниках синтеза и аудиозаписях вне целевого сценария из приведённых сведений не следует.

Сценарии применения

  • проверка песни на генерацию ИИ
  • выявление синтетических вокала и инструментальной музыки
  • анализ длинного музыкального фрагмента до 120 секунд
  • фильтрация полностью синтетических песен в музыкальном каталоге

Ограничения

Модель ориентирована на различение человеческих и синтетических песен; её надёжность для других типов аудио и источников генерации в предоставленных данных не описана.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

📌 Abstract

The recent surge in AI-generated songs presents exciting possibilities and challenges. These innovations necessitate the ability to distinguish between human-composed and synthetic songs to safeguard artistic integrity and protect human musical artistry. Existing research and datasets in fake song detection only focus on singing voice deepfake detection (SVDD), where the vocals are AI-generated but the instrumental music is sourced from real songs. However, these approaches are inadequate for detecting contemporary end-to-end artificial songs where all components (vocals, music, lyrics, and style) could be AI-generated. Additionally, existing datasets lack music-lyrics diversity, long-duration songs, and open-access fake songs. To address these gaps, we introduce SONICS, a novel dataset for end-to-end Synthetic Song Detection (SSD), comprising over 97k songs (4,751 hours) with over 49k synthetic songs from popular platforms like Suno and Udio. Furthermore, we highlight the importance of modeling long-range temporal dependencies in songs for effective authenticity detection, an aspect entirely overlooked in existing methods. To utilize long-range patterns, we introduce SpecTTTra, a novel architecture that significantly improves time and memory efficiency over conventional CNN and Transformer-based models. For long songs, our top-performing variant outperforms ViT by 8% in F1 score, is 38% faster, and uses 26% less memory, while also surpassing ConvNeXt with a 1% F1 score gain, 20% speed boost, and 67% memory reduction.

🔗 Links

🏆 Model Performance

Model NameHF LinkVariantDurationf_clipt_clipF1SensitivitySpecificitySpeed (A/S)FLOPs (G)Mem. (GB)# Act. (M)# Param. (M)
sonics-spectttra-alpha-5sHFSpecTTTra-α5s130.780.690.941482.90.5617
sonics-spectttra-beta-5sHFSpecTTTra-β5s350.780.690.941521.10.2517
sonics-spectttra-gamma-5sHFSpecTTTra-γ5s570.760.660.921540.70.1217
sonics-spectttra-alpha-120sHFSpecTTTra-α120s130.970.960.994723.73.95019
sonics-spectttra-beta-120sHFSpecTTTra-β120s350.920.860.998014.02.32921
sonics-spectttra-gamma-120sHFSpecTTTra-γ120s570.880.790.999710.11.62024

📐 Model Architecture

  • Base Model: SpectTTTra (Spectro-Temporal Tokens Transformer)
  • Embedding Dimension: 384
  • Number of Heads: 6
  • Number of Layers: 12
  • MLP Ratio: 2.67

🎶 Audio Processing

  • Sample Rate: 16kHz
  • FFT Size: 2048
  • Hop Length: 512
  • Mel Bands: 128
  • Frequency Range: 20Hz - 8kHz
  • Normalization: Mean-std normalization

♻️ Usage

# Install from GitHub
!pip install git+https://github.com/awsaf49/sonics.git

# Load model
from sonics import HFAudioClassifier
model = HFAudioClassifier.from_pretrained("awsaf49/sonics-spectttra-gamma-120s")

📝 Citation

@inproceedings{rahman2024sonics,
        title={SONICS: Synthetic Or Not - Identifying Counterfeit Songs},
        author={Rahman, Md Awsafur and Hakim, Zaber Ibn Abdul and Sarker, Najibul Haque and Paul, Bishmoy and Fattah, Shaikh Anowarul},
        booktitle={International Conference on Learning Representations (ICLR)},
        year={2025},
      }

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм

Нельзя запустить

Архитектура ? неизвестна transformers в образе рантайма.

Ревизия весов
57659d8

0 моделей